População

Vamos acessar a população por faixa etária e tratar de modo que fique agrupada de forma semelhante à PNS.

pop_uf <- sqlQuery(channel,
                   'SELECT * FROM "Analytics Layer".Territorial."População SVS por UF e faixa etária PNS"')


pop_mun <- sqlQuery(channel, 
                    'SELECT * FROM "Analytics Layer".Territorial."População SVS por município e faixa etária PNS"')

Epidemiologia

Os dados de epidemiologia são oriundos da Pesquisa Nacional de Saúde (2019). Vamos acessar apenas a variável que informa a prevalência de hipertensão por faixa etária e a nível UF.

pns <- sqlQuery(channel, 'SELECT * FROM Dados.pesquisa_nacional_saude."questoes_doencas_cardiovasculares.parquet"')


pns_has <- 
  pns %>% 
  filter(questao_pns == 4419) %>% 
  filter(uf != "Brasil")  
  
pns_has$faixa_etaria <- trimws(pns_has$faixa_etaria)

Precisamos concatenar as informações sobre prevalência das faixas etárias e população. Para esse exemplo, vamos acessar apenas dados de 2021 da população.

pop21 <- 
  pop_uf %>% 
  filter(ANO == 2021) %>% 
  filter(FAIXA_ETARIA != "Menor de 18 anos")

pop_has <- 
  pop21 %>% 
  left_join(pns_has, by = c("UF" = "codigo_uf",
                            "FAIXA_ETARIA" = "faixa_etaria")) %>% 
  mutate(percentual = percentual/100) %>% 
  mutate(pop_has = POPULACAO * percentual) %>% 
  rename(UF_nome = uf) %>% 
  select(UF, UF_nome, POPULACAO, FAIXA_ETARIA, percentual, pop_has) %>% 
  janitor::clean_names()

DT::datatable(pop_has)

Plotando as informações

gerar_grafico <- function(faixa) {
  pop_has %>% 
  filter(faixa_etaria == faixa) %>% 
  ggplot(aes(x = forcats::fct_reorder(uf_nome, percentual), y = percentual)) + geom_col() + coord_flip() + 
  theme_minimal() + xlab("UF") + ylab("População com HAS")
}

Faixa etária de 18 a 29 anos

a <- gerar_grafico(faixa = "18 a 29 anos")

plotly::ggplotly(a)

Faixa etária de 30 a 59 anos

b <- gerar_grafico(faixa = "30 a 59 anos")

plotly::ggplotly(b)

Faixa etária de 60 a 64 anos

c <- gerar_grafico(faixa = "60 a 64 anos")

plotly::ggplotly(c)

Faixa etária de 65 a 74 anos

d <- gerar_grafico(faixa = "65 a 74 anos")

plotly::ggplotly(d)

Faixa etária de 75 anos ou mais

e <- gerar_grafico(faixa = "75 anos ou mais")

plotly::ggplotly(e)

As pessoas que possuem diagnóstico de hipertensão são estratificadas em graus de risco alto, médio ou baixo. De acordo com o caderno de critérios e parâmetros, 40% das pessoas hipertensas são do estrato baixo, 35% do estrato médio e 25% do estrato alto. Essa distribuição irá influenciar na quantidade de serviços prestados a essa população.

pop_has <- 
  pop_has %>% 
  mutate(has_alto = pop_has * 0.25,
         has_medio = pop_has * 0.35,
         has_baixo = pop_has * 0.40) 

Serviços

Atenção secundária

Todas as pessoas realizarão alguns exames anualmente

Figura 1. Procedimentos de acompanhamento

Além dos exames, os pacientes com hipertensão precisarão de um monitoramento constante na atenção primária com consultas sendo realizadas com diferentes frequências, conforme o material sobre a linha de cuidado de Hipertensão Arterial Sistêmica

consultas

pop_has <- 
  pop_has %>% 
  mutate(proc_glicose = pop_has,
         proc_colesterol = pop_has, 
         proc_colesterol_hdl = pop_has, 
         proc_triglicerideos = pop_has, 
         proc_creatinina = pop_has, 
         proc_urina = pop_has, 
         proc_microalbumina_urina = pop_has,
         proc_potassio = pop_has, 
         proc_fundoscopia = pop_has, 
         proc_eletrocardiograma = pop_has, 
         proc_ecocardiografia = pop_has * 0.1,
         proc_cons_enf = has_baixo * 0.5 + has_medio * 1 + has_alto * 2,
         proc_cons_med = has_baixo * 0.5 + has_medio * 1 + has_alto * 2)

Limitação

A presente análise se refere apenas ao acompanhamento da população com hipertensão arterial controlada. Para avançar mais a metodologia, é necessário incluir dados sobre: